[发明专利]一种监督的高光谱多尺度图卷积分类方法

说明书

本发明涉及高光谱遥感智能信息处理领域，即采用多尺度的图卷积神经网络以监督的方式实现高光谱图像场景内地表覆盖的精细分类，更具体地说，本发明涉及一种监督的高光谱多尺度图卷积分类方法。本发明针对高维非线性的高光谱数据结构，通过构建全局、局部和光谱指数邻接矩阵，将少量的已知样本信息监督地用于训练多尺度的图卷积神经网络，可以使图卷积神经网络有效地适应高光谱图数据进行特征学习和标签预测，从而有助于增强高光谱数据非线性特征的图表达能力和提高地表覆盖分类识别的精度。

技术领域

本发明涉及高光谱遥感智能信息处理领域，即融合多模态特征数据并采用标准的监督学习方式训练设计的多尺度图卷积神经网络实现高光谱图像分类，具体而言，涉及一种监督的高光谱多尺度图卷积分类方法。

背景技术

高光谱数据具有“图谱合一”的特性，包含高分辨率的空间和光谱信息以及丰富的电磁光谱与辐射特征，优势在于光谱分辨率较高，对地要素观测的敏感性也高，对于精细的地表覆盖分类具有较强的优势，随之使得高光谱智能信息处理与分析领域存在诸多挑战。高光谱图像的获取和信息处理是高维信号获取和表征的过程，无论空间域还是光谱域都存在强相关性，需要适应非线性特征表达的图表征学习方法，以提高高光谱图像分类的性能。卷积神经网络具有优异的特征抽象表达能力，已知能实现高光谱图像场景内地表覆盖的精细分类，多用于规则的格网数据表征和分析，但无法建模样本间的固有拓扑关系，也无法刻画局部区域中的对象分布与几何特性，例如类别边界。图卷积网络分类方法作为深度卷积网络的扩展，虽可以拓展传统的卷积神经网络高效地处理以图结构表示的非规则结构数据，但由于图结构数据包含节点本身的属性及其与相邻节点的拓扑关系，往往涉及如何构建邻接矩阵，以将高维的高光谱数据转换成图结构的关系数据。特别是，现有的图卷积分类方法多将高光谱图像作为整个图作为输入，只利用光谱特征，不仅计算代价大，也没有考虑高光谱数据中内嵌的局部空间结构信息，并且其图表征学习过程不符合标准的半监督或监督学习关于样本的独立同分布假设。

发明内容

鉴于此，本发明的目的在于提供一种监督的高光谱多尺度图卷积分类方法，使用图结构编码高维非线性的高光谱结构数据，将规则域的高光谱数据迁移到低维的不规则域，然后采用全局和局部感知的多尺度图卷积滤波有效地处理高光谱图数据，相比于现有技术，具有更低的计算代价和学习复杂性。

为了实现上述目的，本发明实施例采用的技术方案如下。

本发明实施例提供了一种监督的高光谱多尺度图卷积分类方法，包括以下步骤：

获取高光谱图像数据其中为域空间，w为图像宽度，h为图像高度，l为光谱通道数；

对所述高光谱图像数据进行非监督的特征约简，并进行采样，得到多尺度的高光谱立方体数据集其中K为样本总数；

由所述高光谱图像数据导出多通道光谱指数产品集合其中J为采用的光谱指数的个数；

根据所述高光谱图像数据高光谱立方体数据集和多通道光谱指数产品集合生成多模态多尺度的衍生数据{H,C,I}；

根据所述衍生数据{H,C,I}，采用基于距离量度的非监督聚类构建全局和局部的邻接图矩阵{A_H,A_C,A_I}；

联合所述衍生数据{H,C,I}和邻接图矩阵{A_H,A_C,A_I}，以监督的方式训练设计的多尺度图神经网络架构，通过最小化训练损失，得到最优的模型权重；

通过监督地训练GCN得到最小化损失函数的权重矩阵W和偏置矩阵b，并预测样本属于所有类别的概率N代表类别的个数，取最大预测概率MAX(p_t)对应的类别作为最终分类标签分配给未标注的样本。

进一步地，所述非监督的特征约简的方法为主成分分析法。